微波遥感产品对南极普里兹湾海冰密集度准确性的评估

2024-01-01李若晗夏瑞彬张晓爽晁国芳陈忠彪王志勇

遥感学报 2023年11期

关键词：普里海冰反演

李若晗，夏瑞彬，张晓爽，晁国芳，陈忠彪，王志勇

1.南京信息工程大学海洋科学学院,南京 210044;

2.国家海洋信息中心自然资源部海洋环境信息保障技术重点实验室,天津 300171;

3.自然资源部北海预报减灾中心,青岛 266100

1 引言

海冰密集度SIC（Sea Ice Concentration）被定义为海冰覆盖面积与海区总面积之比（苏洁等，2013），常用于理解海冰的空间覆盖特征，是描述海冰状态的重要参数之一。因其在海冰研究中的重要性，自20 世纪以来，各种SIC 产品不断出世并迭代更新，其中主要是基于被动微波遥感PM（Passive microwave remote sensing）反演的SIC 数据（PM SIC）。与其他数据相比，微波遥感资料受天气的影响较小，具有优良的时间连续性与较高的空间分辨率（王晓雨等，2018），但数据的准确程度也因各研究机构使用的卫星传感器和算法不同而存在差异。

自1972年12月发射Nimbus-5电扫描微波辐射计（ESMR）以来，被动微波辐射计一直在改进换代，提供良好的数据来源。如今极地分析常用的卫星数据就有来自美国国家冰雪数据中心NSIDC（National Snow and Ice Data Center）的PM SIC 数据集，该数据集在不同时间段使用了SMMR、SSM/I、SSMIS等多种传感器，为保证数据的一致性，上述各传感器数据已经过相互校准整合成数据集（Yan和Wang，2008），对于这一数据集，可以从NSIDC官网上找到多种算法处理的产品，包括有NASA Team（NT）算法，Bootstrap（BT）算法，CDR（Climate Data Record）结合算法，以及Hamburg大学提供的Hamburg/ASI（Https：//www.cen.uni-hamburge.de/en/icdc/data/cryosphere/seaiceconcentration-asi-ssmi.htm［l2022-09-26］）。另一常用微波辐射计数据主要来自传感器AMSR-E（Advanced Microwave Scanning Radiometer for EOS）和AMSR2（Advanced Microwave Scanning Radiometer 2），德国不莱梅大学环境物理研究所IUP（Institute of Environmental PhySICs）基于此数据提供由2002 年开始的，使用ASI 算法处理得到的SIC 反演数据，此外还有基于NT2算法的NSIDC/NT2 数据可供比较，EUMETSAT（European Organisation for the Exploitation of Meteorological Satellites）也推出了多种卫星传感器数据基础上，经OSI-SAF处理的海冰产品。

基于微波遥感数据的反演算法正在不断升级中，目前运用于遥感观测数据最为广泛的算法有美国宇航局戈达德太空飞行中心（GSFC）的BT 算法（Comiso，1986，1995）和NT 算法（Cavalieri 等，1984），后续许多新算法的产生都基于对两者的改进：如NASA Team2（NT2）算法即是NT算法的优化，它使用的89 GHz 频段降低了水平极化数据受表面条件影响的大小，同时解决该频段易受大气影响的问题；在BT 和NT 的反演分析结果基础上，NSIDC 通过综合两者优点与整体低估低浓度海冰的缺陷，推出了CDR（Climate Data Record）算法（Peng 等，2013）；目前可获得的结合算法产品也来自欧洲气象卫星应用组织EUMETSAT 海洋海冰应用中心（OSISAF），它结合两种受大气影响最小的算法，基于BT 和Bristol 在高低密集度区域的表现分配权重；使用卫星高频段数据的算法除NT2 外还包括有ASI（arctic radiation and turbulence interaction study sea ice algorithm），这种算法产生于1998 年的北极辐射与湍流相互作用研究，主要基于89 GHz 的各向辐射亮温差反演得到SIC（Spreen等，2008），与其他数据相比，它拥有最优越的空间分辨率，可以达到6.25 km，是许多研究者优先使用的数据产品。

近40 年来，随着全球气候变暖，两极海冰变化也逐渐成为全球热点问题。北极海冰范围，厚度与多年冰的比例呈现出显著减少的趋势（薛彦广等，2014）。南极海冰范围则在继2014 年刷新最高值记录后，随后迅速减少，于2017 年降到历史最低值（王今菲等，2021），仅在5 年后，这个最低值记录就被2022 年2 月25 日再次打破（1.9 百万km2）（NSIDC，2022）。为探明这一系列变化的潜在原因与其对未来气候的影响，不同时空尺度的研究对高精度数据的需求依然存在。遥感数据虽然有着一系列优点，但其在反演准确性与分辨率上的缺陷也较为突出，故开展遥感数据反演海冰分布精度的评估对研究气候变化具有重要的意义（Belchansky 和Douglas，2002）。为针对数据产品算法与传感器的差异，国内外对其反演效果开展了多方面的比对，其中参考数据主要来自于科考船观测SIC（本文中简称OBS SIC）以及高分辨率PM SIC数据产品的对比。

北极海冰的快速变化加速了极地航道区的开发，促进了该地区科考与商业航运的发展，船测数据得以进一步丰富，并作为重要的参考数据参与PM SIC 产品的数据比较。同样基于中国第五次北极科学考察走航观测数据，赵杰臣等（2014）对7 种PM SIC 数据进行评价，认为AMSR2/ASI 数据较为精确；季青和庞小平（2018）则针对高分辨率产品，探讨IUP 不同传感器观测数据的SIC 反演效果，发现AMSR2 的原始高分辨率相比SSMIS更适宜冰情分析；李钊等（2018）利用该数据对比了NT/SSMIS 与ASI/AMSR2 在夏季北极东北航道和高纬航道的准确性和适用性，结果表明AMSR2数据和走航观测数据符合较好，同时，他们结合过往基于雪龙号走航数据对相同产品在南半球夏季罗斯海西侧浮冰区的对比结果，认为高分辨率传感器在南北极地区的反演都更为准确，但AMSR2 等高分辨率传感器产品的时间覆盖范围较短，当进行全球气候变化研究时，需要长时间序列且高适用性的海冰产品加以辅助。

而在南极方面，Worby和Comiso（2004）根据1989 年—2000 年南极海冰过程与气候项目ASPeCt（Antarctic Sea ice Processes and Climate）船测数据对NT2 与BT 算法在南极冰缘位置的反演精度进行了评估，认为两种算法在海冰成长季节（3 月份—10月份）可以准确反演冰缘，而在融化季节（11月份—2月份）海冰变湿令两种算法和真实值相关性降低。Beitsch 等（2012）通过对比 2006 年—2009 年南极海冰船测数据与基于AMSRE 传感器的ASI、BT 和NT2 等3 种产品，认为BT 算法与ASI 算法反演相对较好，而NT2 算法在比较中表现出较大的偏差。此后，Beitsch 等（2015）继续完成了大范围，多种类的数据比较，他们整合了多年船测数据，以南极洲周围获得的超过21600 个船舶SIC观测值为参考，对来自1991 年—2009 年的ASI、BST、OSI 和NT 算法的SSM/I-SSMIS 数据，以及2002 年—2010 年ASI、BT 和NT2 算法的AMSR-E数据分别评估，结果显示，BT 算法在比较中呈现出相对较高的相关性、最小的RMSE（Root Mean Square Error）和非常低的负偏差。对于小范围区域比较研究尚较少，赵杰臣等（2017）以2012 年中国第南极科考赴罗斯海区域获得的OBS SIC 数据为基础，对Bremen/ASI 与NSIDC/NT 产品进行评价，认为Bremen/ASI产品在该区域的精度更高。

通过以上历史对比可以看出，目前针对SIC 评估一般使用航测数据，且不同时空航测对比结果存在差异，在北极一般认为ASI 算法模拟结果更好，Beitsch 的研究则证明BT 算法更适用于环南极区域。但目前针对于南极小范围区域的的PM SIC对比还较少，且由于遥感分辨率等限制，小区域的反演准确度更值得商榷。南极附近可划分为威德尔海、印度洋、太平洋、罗斯海和别林斯高晋/阿蒙森海五个海冰区（Gloersen 等，1992），各海区海冰也受到不同气候特性的影响呈现出不同的特性（Ozsoy-Cicek等，2011）。Beitsch等人在环南极比较中提及了分区进行比较的设想，认为具有不同特性的海域有助于理解不同的算法在哪些方面有优势或局限性（Beitsch 等，2012）。而作为南极第一、二大冰架，同时是海冰与南极底层水重要产地的威德尔海、罗斯海，已有若干针对两区域PM 产品精度的评估研究：在威德尔海，Burns（1993）对SSM/I传感器的4种算法适用性进行了评价，结果显示各点的SIC 差异高达45%，判断这种差异与海区迥异的冰类型和表面条件相关；Knuth等（2007）针对夏季罗斯海大面积残余海冰的特点，对基于SSM/I传感器应用BT 和NT 获得PM SIC进行比较，认为PM SIC 在夏季只能解释不到50%的真实数据，而在秋季转冷时有所改善；针对罗斯冰架冰间湖区域，Kern等（2007）将冰间湖信号仿真法PSSM（Polynya Signature Simulation Method）应用数据产品与Bremen/ASI 进行对比，结果表明ASI算法SIC所示与PSSM的冰间湖区域分布相似。

普里兹湾位于印度洋扇区，是南极第三大海湾，该区形成的达恩利角底层水约占南极底层水绕极总量的6%—13%（Ohshima 等，2013），是当前南极海洋研究的重点区域。SIC 是海冰—海洋—大气—生态多圈层耦合系统的关键变量，也是计算冰间湖产冰量、影响区域生物初级生产力等必不可缺的重要参数。准确描述普里兹湾SIC 的变化，对于该区域物理海洋、生态化学等方面的研究都至关重要。此外，普里兹湾涵盖许多种类的表面类型，包括冰原、冰架、固定冰、浮冰、冰沼和开阔水域，这使该地区SIC成为验证微波遥感产品的理想实验场所（Shi 等，2021）。且由于其科研意义，中国在内的世界多国都在普里兹湾定期开展科考活动，SIC 测量准确性对航行安全保障也具有十分重要的现实意义。但与威德尔海、罗斯海不同，对普里兹湾PM SIC 产品精度的评估研究目前尚十分匮乏，迫切需要开展研究。

本文在整合现有数据后，发现普里兹湾拥有较为丰富的历史船测数据（图1）。故本文以普里兹湾海域为例，聚焦于探究各PM SIC产品在较小范围区域的适用性。综合点对点、共定位两种比较方法，结合OBS SIC数据，对不同时间尺度的多源PM SIC产品进行了详细的评估。在减小两种数据集时空误差的同时保留了科考船的航行信息以供参考；发现冰情、季节、算法的差异均会对PM SIC 产品的精确性产生不可忽视的影响。因此，本研究期待能为后续算法精确度提升与选择提供支持和参考。

图1 环南极ASPeCt数据集船测点分布（黑框标记为普里兹湾区域，66°S—70°S，60°E—90°E）Fig.1 Distribution of ship-based observation points of ASPeCt data set around Antarctica（black box marked as Prydz Bay area，66°S—70°S，60°E—90°E）

2 数据介绍

将2012 年—2014 年中国南极科考在普里兹湾区域范围内的SIC 数据与1992 年—2000 年ASPeCt船测数据作为真实数据，与多种PM SIC 算法产品开展比较，定量评价这些数据在普里兹湾区域的准确性。

2.1 船基观测数据

本文引用来自国家极地科学数据中心的中国南极科考CHINARE（Chinese Antarctic Research Expedition）数据与ASPeCt 的船基观测数据，前者观测时间在2012 年后，作为真实值评估包括AMSR2 遥感产品在内的8 种PM SIC 数据集；ASPeCt 数据档案时间覆盖范围在1980 年—2005 年间，作为后续长时间序列数据产品在普里兹湾区域适用性的依据。比较期间的航行轨迹如图2所示，其中图2（a）表示2012年—2014年中国第29、30次南极考察普里兹湾区域航行轨迹，图2（b）图表示2020 年—2021 年中国第37 次南极科考普里兹湾区域船测轨迹，两张图中不同航线颜色用于区分航行日期；图2（c）表示1992 年—2000 年间ASPeCt 数据集记录的普里兹湾区域内航行轨迹，此图中不同颜色用于区分考察年份。

图2 中国第29&30、37次南极科考航测路线及ASPeCt航测路线示意Fig.2 Track of Xuelong during the 29th &30th，37th Chinese National Antarctic research expedition and ASPeCt ship-based observation route

图3 共定位方法流程示意（参考Beitsch等，2015）Fig.3 Flow chart of co-location method（Refer to Beitsch et al.，2015）

两种船测数据集均以ASPeCt 协议（Worby 等，1999）为记录数据的标准，观测期间观测员以科考船为中心，每半小时对周边海域观测，按协议标准记录各海冰要素，包括海冰总密集度、冰厚、不同冰层类型和雪盖的特征。该标准目前已经成为SIC 船基目测的定量化方法，亦有许多评估结果证实ASPeCt SIC观测的平均精度优于10%（Weissling等，2009；Knuth和Ackley，2006）。

2.1.1 CHINARE

用于8种数据对比的船基观测数据源于中国分别在2012 年—2014 年、2020 年—2021 年期间开展的第29、30，第37 次南极科考，本文针对普里兹湾区域，对雪龙号船测数据（以下简称CHINARE OBS SIC）进行筛选，共获得为期17天，总计355个有效数据。

2.1.2 ASPeCt data

ASPeCt是一个多学科的南极海冰区域研究专家小组，隶属于南极研究科学委员会SCAR（Scientific Committee on Antarctic Research）物理科学计划，它成立于1996 年，旨在补充和促进其他国际南极科学项目以及国家南极项目中现有和拟议的研究项目。为探索适用于普里兹湾区域长时间序列研究的产品，选取与PM SIC 长期数据产品时间重合的1992 年—2000 年时间段ASPeCt 船测数据，剔除每天观测样本少于5个的日期，共计64日，605 个OBS 数据点作为真实值（以下简称ASPeCt OBS SIC），用于4 种长期数据产品的20 世纪历史数据比对。

2.2 PM SIC产品

本文选用了国际上8 种PM SIC 数据集，涵盖多种传感器与算法，包括有基于AMSR2 传感器的2种算法数据与基于SSMIS的6种产品。所有产品都为日平均数据；最高空间分辨率来自Bremen大学提供的Bremen/ASI，为6.25 km，其次是EUMETSAT的OSI401 算法产品（EUMETSAT Ocean and Sea Ice Satellite Application Facility.2011）与Hamburg大学提供的Hamburg/ASI，其余数据产品均为25 km分辨率。需要标明的是，EUMETSAT/OSI430产品为续接EUMETSAT/OSI450 产品2015 年12 月后的补充数据，为方便表示，在此将两种数据产品名称统一为EUMETSAT/OSI450。

表1 8种PM遥感SIC数据资料Table 1 Eight kinds of PM SIC data

3 数据处理

在参考了国际上主流的SIC 产品比较方法后（赵杰臣等，2014；Beitsch 等，2015；Xiu 等，2020），本文采用了点对点和共定位比较方法（Colocation and Comparison Method）两种。两种方法的简介和选择理由如下：

3.1 点对点对比

以船测经纬度为依据，将OBS SIC 各时间点数据与同日地理位置最近PM SIC 网格数据进行匹配，该方法最大程度上保留了科考船的航行信息，也为研究各数据集在不同密集度情况下的表现提供参考。

3.2 共定位比较法（Beitsch等，2015）

Beitsch 等人假设船基目测范围为1 km，可通航条件下，科考船的平均速度约为7 km/h，如此船一日可行进相当于12—16个12.5 km 分辨率的网格单元，这一前提引出了可能影响OBS SIC 与PM SIC数据对比的两个关键问题：

首先在单个时间点观测时，观测点近似看作是椭圆形，该目测范围相对于PM SIC 经纬度网格尺寸差异太大，所以当以OBS SIC 为真实数据开展单个时间点对比时，要求被比对的PM SIC 数据集提供距离该时间点地理位置最近的网格数据；其次，PM SIC 产品均为日平均数据资料，如果以此与同天内不同时间点OBS SIC 数据进行对比，不能保证去除海冰漂移等因素带来的误差，故当开展日数据对比时，需要将OBS SIC统一日平均处理。

综上所述，共定位比较法即对OBS SIC，PM SIC 数据均进行每日沿轨平均，以降低两者时空尺度不等带来的误差。

OBS SIC与PM SIC的共定位处理具体方法如下：（1）转换PM SIC 为笛卡尔网格数据；（2）将OBS SIC与PM SIC格点数据进行配对。通过计算第N天最后一个船位与周围格点中心的距离，选取与该OBS SIC 位置最相近的PM SIC 格点数据进行比较；（3）计算一天所有观测值的平均与该日沿船行轨道配对的所有PM SIC 平均，保证单个时间点处理后的两种数据集均提供一个值，如果其中一个数据集缺少值，则不使用特定时间点进行比较；（4）使用处理后两个数据集提供的数值开展比较。

3.3 评价指标

SIC比较时，采用相关系数CC，平均偏差Bias和均方根差RMSE作为产品评价指标，各指标公式如下：

式中，P为卫星PM SIC数据，B为OBS SIC 数据，i为网格点编号，N为地理匹配网格点总数，等同于船测数据总量；μP和μB分别是PM SIC 的均值和标准差，μB和σB是OBS SIC的均值和标准差。

4 结果分析

4.1 PM SIC在南极普里兹湾的基本表现

图4，5 分别为8 种PM SIC 产品反演普里兹湾月平均SIC 的多年平均分布情况以及滑动平均时间序列。从图4 可以看出，几种PM SIC 产品除数值大小与分辨率存在差异外，对应SIC的空间分布较为一致，高SIC 冰区主要分布于艾默里冰架前端（73°E—77°E），西冰架以北（82°E—84°E），达利恩角以东（72°E，68°S）以及四女士浅滩附近（78°E，67°S），而在四女士浅滩以南，达利恩角以北沿艾默里冰架边缘出现大面积低SIC区域，上述反演SIC分布均与前人研究结果相一致：位于达利恩角以东与四女士浅滩以北的冰舌，被认为是由地形因素影响下的海冰堆积产生（解思梅等，2003a；Shi 等，2002；乐肯堂和史久新，1997），冰舌间产生低SIC区域的主要原因可能是从湾口深水道侵入湾内的暖水（蒲书箴等，2002），而达利恩角沿艾默里冰架的低SIC分布则受到该区域强烈南极下降风影响（郑少军，2011）。在8种数据中，NSIDC/NT2 反演SIC 数值明显偏高，NSIDC/NT 产品空间分布数值低于其他7种数据结果，图4的时间序列也印证了这一结论，NSIDC/NT2 产品SIC 于2014 年后的数值区间为72%—92%，高出其余7 种数据约10%—20%，NSIDC/NT 整体最小，所示2014年后滑动平均处理所得数据范围为54%—77%。

图4 8种PM SIC数据气候态平均（2012-12—2021-12）的空间分布Fig.4 Spatial distribution of climate state average（2012-12—2021-12）of eight kinds of PM SIC data

图5 8种PM SIC数据滑动平均（扣除季节变化）时间序列Fig.5 Moving average（excluding seasonal changes）time series of eight kinds of PM SIC data

4.2 PM SIC与CHINARE OBS SIC 对比

为探讨包括以AMSR2 卫星基础的2 种数据产品在内的总计8 种PM SIC 数据在普里兹湾区域的适用性，本文采用中国3次南极科考途径普里兹湾的走航船测结果作为真实数据开展评估，所选取日期及其基础信息如表2所示。

表2 3次南极科考途径普利兹湾日期、经纬度范围及每日观测数据点数Table 2 The date，longitude，latitude range，and daily observation data points of the 29th，30th，and 37th Chinese National Antarctic research expedition passes through the Prydz Bay

4.2.1 点对点对比

以所有CHINAREOBSSIC 点为真实值对遥感产品进行定量分析，得到结果如表3所示。从全部数据点的对比来看，所有PM SIC 产品与OBS SIC 的相关系数均在0.65 及以上，均方根误差平均为26%，偏差均在10.5%以下，整体上均有较好的相关性。

表3 8种PM SIC数据与CHINARE OBS SIC 的相关系数（CC）、均方根差（RMSE）及偏差（Bias）Table 3 CC，RMSE，and Bias between PM SIC and CHINARE OBS SIC

该表就CC而言，以AMSR2卫星传感器为基础的两种数据产品（Bremen/ASI与NSIDC/NT2）均达到了0.75 以上，且同时具有全部数据中的最小偏差，这一结果可能与这两种算法选取84 GHz 高频通道得到的高分辨率相关（苏洁等，2013），但Bremen/ASI数据较高的RMSE值说明该算法产品在普里兹湾区域拟合精度存在较高的不稳定性；对于RMSE 统计值，低于平均值26%，即相对更稳定的3 种数据分别是NSIDC/NT2，NSIDC/BT 与NSIDC/CDR；从Bias统计值判断，NSIDC/NT数据在8种数据中与真实数据偏差最大，两个OSI数据集也有相对较大的偏差值。综合所有指标来看，3种指标下相对表现较好的数据为NSIDC/NT2和SSMIS/BT数据，均满足R＞0.7，RMSE＜25%，|Bias|＜5%。

为更深入地分析OBS SIC 与8 种PM SIC 的偏差，也为探明Bremen/ASI 与NSIDC/NT、两种OSI算法产品在该区域模拟指标异常的原因，本文根据1970 年WMO 对SIC 与冰况之间关系的描述，并参考Shibata 等（2013）对海冰覆盖与船舶航行困难之间关系的定义，将OBS SIC 数据分为低（OBS SIC≤30%），中（30%＜OBS SIC≤70%），高（OBS SIC＞70%）3 种密集度情况，对应于易于导航的轻度（mild），正常（normal）以及难以导航的严重冰况（severe）；图6所示即为3种冰况下8种PM SIC与CHINARE OBS SIC 间的RMSE 与Bias（CHINARE OBS SIC PM SIC）结果。

图6 3种SIC情况下8种PM SIC与 CHINARE OBS SIC之间的RMSE和Bias统计结果Fig.6 RMSE and Bias between PM SIC and CHINARE OBS SIC under three kinds of SIC conditions

图6（a）所示，在轻度冰况下，所有PM SIC产品的RMSE 最为相近，范围在21.2%（NSIDC/NT）到25.8%（Bremen/ASI）之间；正常冰况下，PM SIC 产品间的RMSE 差值最大，范围为19.57%（EUMETSAT/O5）至35.20%（Bremen/ASI）；最后，在严重冰况条件下，RMSE 范围在18.49%（NSIDC/NT2）至33.0663%（EUMETSAT/O1），此时NSIDC/NT2 产品对应RMSE 值达到各PM SIC 产品所有情况下的最小值。图6中表明，Bremen/ASI，Hamburg/ASI 与NSIDC/NT2 等3 种PM SIC 产品随SIC 增加引起的RMSE 数值变化存在相似的趋势，正常冰况反演精确度不稳定，而在严重冰况条件下的反演具有优势，这一特性反映了AMSRE 传感器与ASI 算法在过渡冰区反演的缺陷；而NSIDC/CDR，EUMETSAT/OSI450 与NSIDC/BT 的RMSE 值与前3 种产品趋势相反。图6（b）表明，在轻度冰况条件下，所有PM SIC 与OBS SIC 的偏差均为正值，即所有PM SIC 产品都高估了轻度冰况真实值；正常冰况下，除NSIDC/NT2（8.45%）外，各PM SIC 产品对应偏差分布在-16.09%（NSIDC/NT）至-6.04%（NSIDC/BT）范围内，即除了NSIDC/NT2，其余产品均在正常冰况下低估真实值；对于严重冰况，Bremen/ASI 与NSIDC/NT2 反演结果与真实值Bias 均趋近于0，其余产品Bias 相对更大，此外，与图6（a）相同，Hamburg/ASI 与Bremen/ASI产品Bias随SIC增加也呈现出相似的变化趋势。

综上所述，在全数据表格中拟合结果较好的NSIDC/NT2 数据在所有情况下的两个评估标准都稳定在较低的数值；具有最高分辨率的Bremen/ASI 数据虽然同样有较高的CC，但其在正常冰况下的反演精度较差；NSIDC/BT，NSIDC/CDR 长期数据产品反演结果虽然与真实值有较强相关性，但两者均在低密集度区域拟合不佳，RMSE 值与Bias 值均较高，如果需要弥补NSIDC/NT2 数据在时间长度上的缺陷，仍需对基于SSMIS传感器的算法产品展开进一步对比。

4.2.2 共定位方法对比及异常日期的个例分析

为减小时空误差，对两种数据分别进行共定位处理，所得PM SIC 与CHINARE OBS SIC 偏差时间序列如图7所示，两者对比结果总结在表4中。

表4 共定位处理后CHINARE OBS SIC 与8种PM SIC数据的相关系数（CC）、均方根差（RMSE）及偏差（Bias）Table 4 CC，RMSE，and Bias between CHINARE OBS SIC and PM SIC after Co-location processing

图7 8种PM SIC各产品反演的普里兹湾SIC与CHINARE OBS SIC差值的长期变化Fig.7 Long-term variation of SIC difference between PM SIC and CHINARE OBS SIC in Prydz Bay

图7 所示为PM SIC 与CHINARE OBS SIC 偏差的17 日时间序列，可以发现2012 年—2021 年观测日期普里兹湾区域的PM SIC 与CHINARE OBS SIC的差值较为均衡地分布在±40%之间，除2014 年2 月28 日、2014 年3 月1 日、2020 年12 月31 日、2021年1月2日外各PM SIC产品之间的偏差差异均小于30%。

表4各统计值表明，共定位处理后的数据有效地降低了误差，与点对点比较相比，CC 均提升了0.1 以上，其范围在0.80（EUMETSAT/OSI450）与0.93（NSIDC/NT2）间，RMSE值减少了10%左右，区间为12.30%（NSIDC/NT2）至17.58%（Hamburg/ASI）；共定位比较所得Bias 较前文点对点对比改变较小，且除NSIDC/NT2 产品外各PM SIC 产品Bias 均为负值，即在比较范围内，多数PM SIC 产品反演结果整体低估真实数据。

在共定位比较中，NSIDC/NT2 产品具有最优越的CC 与RMSE 值，分别为0.93 与12.30%；|Bias|仅次于NSIDC/BT 数据，即认为该产品在普里兹湾区域反演结果与真实值具有极强相关性与精确反演的稳定性。而在所有基于SSMIS卫星传感器数据的算法产品中，综合3 个评估数值，BT 算法有最好的适用性，这也与Beitsch 所得的全南极范围对比结果一致。

本文于普里兹湾区域选取共定位方法的一个重要理由是有助于更精确地确认数据的异常日期（图7，异常日对应红线标注日期）。经对比，除2012 年11 月28 日异常点处于普里兹湾区域以外，本文不做详细分析，剩余异常点可分成两类：（1）相对OBS SIC 偏差超过30%的日期，2014 年2 月28 日与2020-12-31；（2）各PM SIC 数据间反演差距大于30%的日期2014 年3 月1 日与2021 年1 月2 日。因此选以上4 个异常日期进行航测路线绘制与沿航线SIC数据对比。

首先，对第一类异常点，即各PM SIC 数据普遍出现较大偏差的日期进行针对性研究，以探究PM算法反演普遍存在的缺陷。由图8（a）（c）航线图中可看出，2014年2月28日与2020年12月31日多数航测点均分布于75°E 海冰边缘处，其中2014年2月28日科考船自北向南由73°E 高密集度冰区驶入薄冰区，再回转向北驶入严重冰况区域，而各PM SIC数据对较薄冰区（SIC＜50%）内SIC变化并不敏感，考虑到此时为海冰融化季节，认为PM算法产品将湿海冰认为开阔水域的倾向是这一误差产生的主要原因，且除NSIDC/NT2、Bremen/ASI两种基于高频通道传感器的数据产品外，其余PM SIC 产品不能反映沿途小于40%的SIC 波动情况，说明这一结果可能也受到仪器分辨率的影响；2020年12月31日航测点沿68°S纬向分布于75°E—77°E 之间，该日沿线CHINARE OBS SIC 均为0 成，仅有Bremen/ASI与Hamburg/ASI反演结果与真实值相吻合，其余各PM SIC 产品均高估CHINARE OBS SIC，但此二数据同样在2014年2月28日将低密集度区域海冰判别为0 成的开阔水域，结合ASI“对融池具有较低的辨识度，会将融池判别为开阔水”这一算法评价（王剑等，2020），认为ASI 算法在冰缘的运用存在争议。

图8 8种PM SIC与CHINARE OBS SIC异常Bias出现日期船测路线（（a）、（c）、（e）、（g）中黑色路线），填色为当日NSIDC/NT2产品反演的SIC，与沿航线各数据时间序列（（b）、（d）、（f）、（h））示意，横轴表示第n个观测时间点Fig.8 Ship-based observation route of the occurrence date of the abnormal Bias between PM SIC and CHINARE OBS SIC（black route in（a），（c），（e），and（g））.The color shows the SIC inverted by NSIDC/ NT2 products on that day，which is schematic with the data time series along the route（（b），（d），（f），and（h））.The horizontal axis represents the number of observation time point

其次，对第二类异常点，即对PM SIC 产品反演结果差距较大的日期展开分析，研究导致PM SIC 数据间差异的原因。由图8（e）（g）可看出，两日科考船航行均由南向北沿73°E经向驶离冰区，2014 年3 月1 日各数据集SIC 时间序列显示，海冰自高密集度向低密集度的过程是各PM SIC 产品反演产生差异的主要区域，在第24 个时间点前，真实SIC 均在6成及以上，NSIDC/CDR，Bremen/ASI，NSIDC/NT2反演结果与真实数据相近，而在24—30时间点间，船行至薄冰区，NSIDC/CDR，NSIDC/BT，EUMETSAT/OSI401，EUMETSAT/OSI450 反演精度更佳，整体上CDR 与BT 算法反演沿线SIC 更符合真实值，各产品在不同SIC区间的反演精度差异导致了高偏差；2021 年1 月2 日SIC 均在5 成左右，所有PM SIC 产品均错误地高估了第7 个时刻点的SIC，且除Bremen/ASI 产品外均未反映出第5个时刻点的SIC高值。

综上所述，PM SIC 与OBS SIC 共定位比较中大于30%异常偏差出现的区域均位于海冰冰缘区域，且两个时刻均发生在海冰融化季节，这与Worby 等（2008）得出的11—2 月份南极海冰融化季节冰沿区域PM SIC 算法反演误差较大这一结论相仿；除此之外，在该区域SIC 时间序列中，ASI算法倾向于低估真实值，认为这受到算法本身特性的影响，即易将融池区域定义成开阔水域；而PM SIC 产品之间较大偏差的发生主要来源于正常冰况以及各产品对不同程度SIC 反演精度的差异，结果表明Bremen/ASI，NSIDC/NT2在严重冰况下的反演精度更高，EUMETSAT/OSI401，EUMETSAT/OSI450则更适用于薄冰区反演。

4.3 PM SIC长期变化与ASPeCt OBS SIC 的对比

虽然在上一节中NSIDC/NT2 从对比结果上表现出了在普里兹湾区域极高的适配性，但此产品对应的传感器AMSR2 在2012 年7 月前并未启动观测任务，同时也考虑到上述CHINARE 船测产品长度较短，不适于评估PM SIC 长期变化的准确性。为补充选取适合的历史数据，该节使用ASPeCt OBS SIC 与包含实测对应时间段，且在上轮比较中统计指标较好的4 种PM SIC（Hamburg/ASI，NSIDC/BT，NSIDC/NT，NSIDC/CDR）展开对比。

4.3.1 点对点对比

以1992 年—2000 年所有ASPeCt OBS SIC 点为真实值对4种长期数据产品展开定量分析，结果如表5所示。

表5 与ASPeCt OBS SIC 相比较下的4种PM SIC数据的相关系数（CC）、均方根差（RMSE）及偏差（Bias）Table 5 CC，RMSE and Bias between PM SIC and ASPeCt OBS SIC

整体来看，CDR 数据在CC 与RMSE 方面表现是该轮比较的所有PM SIC 产品中最佳，分别为0.667 与25.252%，|Bias|也相对很小，其值为8.02%，仅略大于7.97%（NSIDC/BT）。基于其结合BT 与NT 算法取相对小值的算法原理，考虑到前人认为该算法在大面积新冰区拟合精度有限的评价（王剑等，2020），仍有必要对不同密集度区域情况展开进一步分析。

如图9（a）3 种情况比较所得RMSE 结果显示，因NSIDC/CDR 与NSIDC/BT 产品相似的取值，两者曲线存在重合现象。在轻度冰况区域，4 种PM SIC 产品反演精确性最不稳定，其范围在31.71%（NSIDC/NT）至38.80%（NSIDC/CDR）；正常冰况下，RMSE 区间位于25.39%（NSIDC/CDR）与33.86%（Hamburg/ASI）之间，在该区域，NSIDC/CDR、NSIDC/BT 产品稳定性较轻度冰况大幅提升；严重冰况下，除NSIDC/NT 外，其余3 种产品的RMSE 值进一步降低，数值范围在21.36%（NSIDC/CDR）与32.00%（NSIDC/NT）间。

图9 3种SIC情况下4种PM SIC与ASPeCt OBS SIC之间的RMSE和Bias统计结果Fig.9 RMSE and Bias between PM SIC and ASPeCt OBS SIC under 3 kinds of SIC conditions

图9（b）表明，4 种PM SIC 产品反演偏差随SIC变化趋势较为一致，在轻度冰况条件下PM SIC普遍高估真实值；正常冰况下各产品偏差相对较低，为-15.45%（Hamburg/ASI）至-3.39%（NSIDC/BT，NSIDC/CDR）；而在严重冰况下，|Bias|再次大幅增加，即PM SIC 产品普遍高估ASPeCt OBS SIC，数值范围为-27.36%（NSIDC/NT）至-15.18%（NSIDC/BT）。

CDR 算法在各密集度区间的数值和BT 算法相近，原因在于前者在研究日期内算法所选取的数值多为BT 算法产品数据，正常冰况区间两者的数值相同，在其他情况下CDR 结果要优于BT，综合来看，四种数据对轻度冰况区域的拟合不稳定性依然严重，其中CDR 与BT 的偏离程度最大，倾向于高估真实值。

NT 算法对普里兹湾区域拟合的 |Bias| 随密集度的提高而增大，而在严重冰况区域出现了比较严重的低估真实值的现象，可以认为其在严重冰况区域的高 |Bias|是表5 中其整体拟合效果不佳的主要原因。

4.3.2 共定位方法对比及异常日期的个例分析

为降低时空误差，对两类数据做平均化处理，所得结果如图9、表6所示。

表6 共定位处理后OBS SIC与4种PM SIC数据的相关系数（CC）、均方根差（RMSE）及偏差（Bias）Table 6 CC，RMSE，and Bias between PM SIC and ASPeCt OBS SIC after Co-location processing

从图10 共计52 天共定位处理后的PM SIC 与ASPeCt OBS SIC 偏差的时间序列图中，可以发现PM SIC 整体小于ASPeCt OBS SIC，即4 种PM SIC产品在选取日期内整体低估真实值。出现大幅正偏差的日期仅有1992 年11 月13 日，1998 年11 月17日，1999年12月28日，1999年3月20日各产品均出现高于60%的大幅负偏差。

图10 4种PM SIC产品反演的普里兹湾SIC与ASPeCt OBS SIC差值的长期变化Fig.10 Long-term variation of SIC difference between PM SIC and ASPeCt OBS SIC in Prydz Bay

与CHINARE 船测数据集相似，平均化后各数据集与ASPeCt 船测数据的CC 与RMSE 均有较大程度的优化，其中各产品的相关性系数均高于0.75，较点对点比较来看均提升了0.1 以上；均方根差值均降低了5%—8%。但就ASPeCt 与CHINARE 船测数据集比较中，这两种统计值表明这四种PM SIC在CHINARE 船测数据集时间段的反演结果更为精确。

在共定位比较对比中，BT 算法与CDR 算法的3 类指标都优于其他产品，而两者的各指标数据都极为相近，这是CDR 作为BT 与NT 的结合算法在此区域选择了更大比例NSIDC/BT 产品数值的缘故，整体来看BT 算法在该比较各指标值略微优于CDR算法。

现对出现异常偏差的日期航线情况与沿线各产品SIC与真实值展开针对性分析。

图11 为4 种PM SIC 数据于普里兹湾区域与ASPeCt OBS SIC 产生偏差异常日期的船测航线图与该日各时刻数据比较时间序列，航线轨迹图中SIC 空间分布来自于NSIDC/CDR 产品。其中，图11（a）、（c）、（e）对应出现大幅正偏差的日期：1992 年11 月13 日船行路线自77.4°E，66.8°S 开始沿经向自南向北航行至77.4°E，66°S，共计7 个观测点，前5个时间点，各PM SIC数据与ASPeCt OBS SIC 的偏差小于10%，这也再次印证了各算法产品在高密集度冰区反演较好的特点，PM SIC 在第6个时间点对无冰区域的高估是该日20%正偏差的来源；1998 年11 月17 日船测路线为自北向南沿78°E经向航行，共计11 个观测点，前九个时间点记录的ASPeCt OBS SIC 均少于4 成，但沿线SIC 低密集度的情况没有在各PM SIC 产品的反演中得到准确的体现，同时，第10 个时间点中，除Hamburg/ASI 表现出小幅增长趋势，其他算法产品都忽略了ASPeCt OBS SIC的骤增；1999年12月28日路线所示为船只靠近冰架的过程，沿线SIC 自8 成下降到0成，最后冰况稳定在5成，但NSIDC/CDR，NSIDC/NT，NSIDC/BT 反演高估了真实值且错误估计了沿线SIC 的变化趋势，Hamburg/ASI 虽然反演出与真实值相近的趋势，但变化较真实值提前一个点位；图11（g）图对应1999年3月20日航测情况，处于融冰期末尾，该日出现最大负偏差，科考船只自64.65°E，-66.22°S 向北驶出普里兹湾海区，沿线海冰均有7—9 成，时间序列所示各PM SIC，特别是NSIDC 机构的3种算法产品虽然很好地反映了沿线SIC 在各时刻点的变化趋势，但均较大程度低估ASPeCt OBS SIC，反演SIC为0—5成。

图11 4种PM SIC与ASPeCt OBS SIC异常Bias出现日期的船测路线（（a）、（c）、（e）、（g）中黑色路线），填色为当日NSIDC/CDR产品反演的SIC，与沿航线各数据时间序列（（b）、（d）、（f）、（h））示意，横轴表示第n个观测时间点Fig.11 Ship-based observation route of the occurrence date of the abnormal Bias between PM SIC and ASPeCt OBS SIC（black route in（a），（c），（e），and（g））.The color shows the SIC inverted by NSIDC/CDR products on that day，which is schematic with the data time series along the route（（b），（d），（f），and（h））.The horizontal axis represents the number of observation time point

综上所述，4 种PM SIC 产品在高密集度冰区的反演相对符合船测真实值与其沿线变化趋势，对ASPeCt OBS SIC 低于8 成的观测点拟合程度较差，同在严重冰况区域观测的日期1992 年11 月13 日与1999 年3 月20 日对比表明，11 月较之3 月准确性更高；受到算法与分辨率的种种限制，PM SIC 不能够很好地反映出沿线ASPeCt OBS SIC 的骤变情况。而在所示所有不同时间范围的时间序列中，NSIDC/NT 在所有PM SIC 产品中反演结果均为最小值，这也可能是其在低密集度区域反演精确程度较好而高密集度区域不佳的原因。

4.3.3 结冰、融冰期PM SIC产品反演精度比较

为了进一步探明不同时间段反演较好的产品，也为后续优化数据提供参考，以南半球融冰期（11 月—次年2 月）、结冰期（3 月—10 月）为依据（Worby 和Comiso，2004）划分日平均数据开展对比。

表7 结冰、融冰期4种PM SIC与ASPeCt OBS SIC比较下的均方根差（RMSE）与偏差（Bias）Table 7 RMSE and Bias between PM SIC and OBS SIC during freezing and thawing periods

CDR 与BT 算法的Bias、RMSE 值在两季比较中均维持在最低值，相关性指标CC 在结冰期比较中低于其他两类产品，综上所述，CDR 与BT 算法在低密集度区域、结冰期精度有限，但从整体数据与密集度程度划分数据来看，在以1992 年—2000 年以ASPeCt 为真实值的各比较案例中都有最优的结果。

5 结论

综上所述，8 种产品2012 年12 月至2021 年12 月多年平均空间分布图与滑动平均时间序列结果均体现了各PM SIC 数据在时空分布上的相对一致性，其中，NSIDC/NT2 反演SIC 数值显著更高，而NSIDC/NT SIC整体结果偏小。总体而言，相较于1992 年—2000 年ASPeCt 数据集，4 种遥感产品与2012 年后CHINARE 数据集相似程度更高，就相关系数CC 而言，前者在0.77—0.82，而后者除OSI450 产品外均在0.83 以上；同时，前一数据集各产品对比得到的均方根差RMSE与偏差Bias统计值，均高于后者（即偏差更大）。上述结果可能源于遥感数据产品参数的调整改善与仪器更新。

在2012 年后CHINARE 提供的OBS SIC 数据与8 种PM SIC 产品数据的比对中，我们得到了如下主要结论。（1）所有产品均存在轻度冰况下高估，严重冰区低估的特征。以AMSR2 传感器为基础的两种PM SIC 产品在3 种指标中表现最好，其中NSIDC/NT2 反演精度最高。NSIDC/BT、NSIDC/CDR 两种长期数据产品虽然表现出与真实值较高的相似性，但在不同冰况条件对比中暴露了低密集度区域反演的不足。（2）在共定位对比中，通过对各PM SIC 产品及CHINARE-OBS-SIC 进行时空平均处理去除误差，两者比较相关性与精确度稳定性均有不同程度的提高，NSIDC/NT2产品CC达到0.93，RMSE 下降至12.30%，Bias 为2.43%，是第一轮比较中综合指标评价最高的产品。（3）在异常日期航线及沿线SIC 比对过程中，发现各产品高偏差值发生在融冰期海冰冰缘区域，两种ASI算法产品在该区域对CHINARE-OBS-SIC 的低估较为严重。

引入ASPeCt船测数据集与四种长期遥感数据产品对比后，我们得到的新结论主要包括：（1）CDR与BT 算法数据呈现相似且最佳的适配性，这是CDR 作为NT 与BT 的结合算法所决定的，在此时间段与区域内CDR 算法选取了较高比例NSIDC/BT数据作为数据源；而BT 拟合最佳的这一结论与Beitsch 等对1991 年—2010 年的环南极船测数据比较结果相符。（2）CDR 与BT 两种算法产品在低密集度区域与结冰期存在反演误差，趋于高估低密度冰真实值，对结冰期冰况整体存在较大程度的低估；NSIDC/NT 产品总是低估严重冰况真实值，但其在低密度冰区的反演与船测真实值较为吻合，这可能与其整体偏小的SIC 数值（图3，4）有关，同时NSIDC/NT也是结冰期反演误差最大（-26.33%）的产品。（3）4 种PM SIC 产品均在正常冰况取得相对偏低的Bias 值，除NSIDC/NT 外其他3 种产品则在严重冰况条件下取得RMSE最小值；而在共定位比较中，各产品在大部分日期低估真实值，异常高估值日期源于产品对少冰区域的高估以及对沿线SIC 骤变的忽视，极大低估值可能来源于融冰期算法对冰水的误判；结冰期，融冰期反演精度比较中，可以发现各产品在普里兹湾区域结冰期反演精度关于CC、Bias 两种统计指标的评价低于融冰期，但两季各PM SIC产品的RMSE值均偏高。

总之，本文参考了Beitsch 对南极进行分区比较以进一步获得不同冰情下遥感产品精确度的设想，且加入了中国科考数据增加对比组数量，对涵盖丰富表面类型的普里兹湾区域开展研究。结果表明基于AMSR2 传感器的NSIDC-NT2 产品在2012 年—2021 年期间的数据比较中精度最高，而长期数据产品NSIDC/CDR 与NSIDC/BT 可作为历史数据的补充数据源，但在实际运用过程中仍需考虑两者在低密集度冰区的反演误差。此外，考虑到船舶观测与卫星观测空间网格尺度差异较大，时空窗口匹配性影响很大。其中，点对点对比因上述问题导致了在海冰边缘区以及低海冰密集度区域误差明显。时间平均只能在一定程度上减轻时间窗口不一致的问题，本文采用的共定位方法只能提供相对准确的结果，与实际情况相比仍然存在一定的误差，正如前人研究结果所示（如Beitsch 等，2015；Xiu 等，2020），在未来的数据评估中，应当通过加密数据，增加样本数量，改善评估技术等多种方法尽可能地减小误差。本研究为理解PM SIC 产品在小区域反演局限性提供了数据参考，也为冰情预测，航行安全提供保障。近年南极海冰范围迅速减少，2022 年2 月达近40 年极小值，为探明海冰异常原因，模拟未来海冰变化，高精度实时PM SIC产品的开发势在必行，而了解各种PM SIC 产品在不同情况下的反演准确性将有助于后续产品的改良与融合算法的开发。未来应考虑更多可能影响PM 反演精度的因子，如冰厚，冰型等要素，对南极其他区域的PM SIC 产品进行更系统详细地评估。

志谢真诚地感谢苏洁老师在文章修改过程中提出的宝贵建议，通过老师的精心指导与有益讨论，文章内容得以进一步充实；感谢此前所有中国极地科考与ASPeCt 工作人员和科学团队辛苦细致的工作及无私的数据支持，感谢美国国家冰雪数据中心、不莱梅大学、汉堡大学与欧洲气象卫星应用组织提供的PM SIC产品。